02 Models组件

在上一篇文章中，我们创建了第一个Agent，并且在Agent中使用了Model组件。Model（模型）在Agent系统中扮演着"大脑"的角色，所有的推理、决策、输出都是由LLM做出。

除此之外，Model不仅仅只能在Agent中使用，它也可以独立调用，本文就来系统地介绍LangChain V1.x中Models组件的详细用法。

一、模型的创建

在LangChain中，创建一个聊天模型对象，最简单的方式就是通过init_chat_model，下面以GPT为例进行模型对接，在对接对应模型提供商模型时，首先要安装对应的依赖包

pip install -U "langchain[openai]"

创建并调用model对象

import dotenv
from langchain.chat_models import init_chat_model

dotenv.load_dotenv()

# 1.创建model对象
model = init_chat_model(
    "gpt-4o-mini"
)

# 2.调用大模型，返回AIMessage
print(model.invoke("你好，你是？"))

执行结果如下，返回一个AIMessage对象。

在LangChain v0.2中，LangChain将一部分集成模型厂商的依赖包独立出来了，其他的模型厂商的依赖包放到了community 社区包中，在LangChain v1.0中，将这些对接不同大模型厂商的依赖包，全部都独立出来了，比如常见的langchain-openai、langchain-deepseek、langchain-anthropic、langchain_qwq（阿里千问）等等依赖包，在使用LangChain时，按需引入即可。

这里将模型切换到deepseek的deepseek-v4-flash，首先，安装对应的依赖：

uv add langchain-deepseek
uv sync

在.env文件中，添加DeepSeek的API秘钥

# DEEPSEEK大模型
DEEPSEEK_API_KEY=sk-*******************************

切换到deepseek-v4-flash模型，直接修改模型名称即可，LangChain会自动匹配并并创建对应模型的对象。

import dotenv
from langchain.chat_models import init_chat_model

dotenv.load_dotenv()

# 1.创建model对象
model = init_chat_model(
    "deepseek-v4-flash"
)

# 2.调用大模型，返回AIMessage
print(model.invoke("你好，你是？"))

执行结果如下：

二、模型参数

在创建模型时，支持通过指定模型参数来改变模型的行为，LangChain支持以下通用的标准参数：

参数名	类型	是否必填	参数作用
model	string	true	指定使用的模型，支持直接指定模型名称或者使用提供者:模型名称
api_key	String	false	模型秘钥，默认从系统变量中获取，也可以在创建模型时指定。
temperature	number	false	模型温度，温度越低输出内容越确定，温度越高模型输出越有创造性
max_tokens	number	false	响应结果的最大token数量，可以有效的控制
timeout	number	false	超时时间，以秒为单位
max_retries	number	false	因为服务端网络超时或限流等原因，重试的最大次数。

init_chat_model方法是通过Python中的**kwargs接收的，模型参数使用方法如下，就创建了一个聊天模型对象。

model = init_chat_model(
    model="deepseek-v4-flash",
    temperature=0,  # 温度为0
    max_tokens=500,  # 最大输出token为500
    max_retries=3,  # 服务端错误最大重试次数为3次
    timeout=60  # 模型响应超时时间为60s
)

在不同模型中，除了支持这些标准参数外，特定模型还支持一些自定义参数，这些自定义参数可以在LangChain中的集成文档中找到：https://docs.langchain.com/oss/python/integrations/chat

三、模型调用

前面我们已经使用invoke方法来调用过模型了，除了invoke之外，还有两个方法来调用大模型：stream()、`batch()。

下面分别介绍这三个方法的用法。

3.1 invoke

invoke是最简单、最直接的一种调用方式，它是一种同步调用方式，也就是等LLM生成完所有的结果，再返回给调用方，最终结果被包装成一个AIMessage对象，invoke支持三种方式传递消息：直接传递字符串、传递消息列表、传递消息对象列表。

代码示例如下：

import dotenv
from langchain.chat_models import init_chat_model
from langchain.messages import SystemMessage, HumanMessage

dotenv.load_dotenv()

# 1.创建model对象
model = init_chat_model(
    model="deepseek-v4-flash"
)

# 2.调用大模型，返回AIMessage
print("----------------------传递字符串-------------------")
print(model.invoke("你好，你是？").content)
print("----------------------传递消息列表-------------------")
print(model.invoke([
    {"role": "system", "content": "你是一个AI智能助手，你的名字叫flash助手"},
    {"role": "human", "content": "你好你是"},
]).content)
print("----------------------传递消息对象列表-------------------")
print(model.invoke([
    SystemMessage("你是一个AI智能助手，你的名字叫flash助手"),
    HumanMessage("你好你是"),
]).content)

执行结果如下：

----------------------传递字符串-------------------
你好！我是 DeepSeek，由深度求索公司创造的 AI 助手。很高兴认识你！😊

我是纯文本模型，但支持许多强大的功能：
- **免费使用**：完全免费，无需付费
- **超大上下文**：1M token，可以一次性处理《三体》三部曲那么长的内容
- **文件处理**：支持上传图片、PDF、Word、Excel、PPT 等文件，提取文字信息
- **联网搜索**：需要时可以手动开启联网功能获取最新信息
- **语音输入**：App 端支持语音交互

无论你想聊天、问问题、写文章、分析资料，还是解决工作学习上的难题，我都很乐意帮忙！有什么我可以帮你的吗？🤗
----------------------传递消息列表-------------------
你好！我是flash助手，很高兴为你服务！有什么可以帮你的吗？尽管问吧，我会尽力解答！
----------------------传递消息对象列表-------------------
你好！我是你的AI智能助手Flash助手，很高兴为你服务！有什么问题或需要帮助的地方吗？尽管问我吧！😊

3.2 stream

在LLM生成内容过程中，往往需要比较长的时间，这是如果等到全部生成完之后，一起返回给用户，用户体验会很差，那么采用LLM输出一点，就给用户展示一点的方式，这种方式就是stream流式输出。

示例代码如下，通过stream方法，就可以实现类似ChatGPT那种打字机效果，这里stream方法返回的不再是一个完整的AIMessage对象，而是每个chunk都是一个AIMessageChunk对象，在这个对象的text属性中返回了文本信息，在循环中将这些chunk对象拼接起来，就是最终的完整输出信息。

import dotenv
from langchain.chat_models import init_chat_model

dotenv.load_dotenv()

# 1.创建model对象
model = init_chat_model(
    model="deepseek-v4-flash"
)

result = None

# 2.调用大模型，返回AIMessage
for chunk in model.stream("请你简要介绍一下什么是LangChain框架"):
    print(chunk.text, end="", flush=True)
    print("\n")

    if result is None:
        result = chunk
    else:
        result += chunk

print("\n")
print("--------------------最终完整输出结果----------------------")
print(result.content)

直接结果如下：

Lang
Chain
是一个
开源
框架
，
专门
用于
简化
基于
大
语言
模型
应用
(中间省略...)
的门
槛
与
复杂度
。
--------------------最终完整输出结果----------------------
LangChain 是一个开源框架，专门用于简化基于大语言模型（LLM）的应用开发。它提供了一套模块化工具，帮助开发者将 LLM 与外部数据源、API、工具（如搜索引擎、数据库）以及多步骤逻辑相结合，从而构建更强大、更智能的应用（如聊天机器人、文档问答、自动化工作流等）。

核心组件包括：
- **模型（Models）**：统一接口对接多种 LLM（如 OpenAI、Hugging Face 等）。
- **提示模板（Prompts）**：管理和优化输入提示，支持动态变量。
- **链（Chains）**：将多个组件（模型、工具、数据处理）组合成可重复的执行流程。
- **代理（Agents）**：让 LLM 自主决策调用哪些工具来完成复杂任务。
- **记忆（Memory）**：在对话或会话中保存历史状态，实现上下文感知。

通过 LangChain，开发者可以快速搭建原型并复用已有组件，降低 LLM 应用的门槛与复杂度。

3.3 batch

除了，使用invoke和stream单次请求大模型行之外，LangChain还支持使用batch批量请求LLM，这里的批量请求指是利用并发机制来同时请求LLM，千万不要理解成一个请求中返回多个问题的结果。

示例代码如下，在调用batch方法时传递三个问题，batch方法在底层就会并行去调用LLM，等到三次调用都返回结果后，才继续向下执行。

import dotenv
from langchain.chat_models import init_chat_model

dotenv.load_dotenv()

# 1.创建model对象
model = init_chat_model(
    model="deepseek-v4-flash"
)

results = model.batch([
    "你好你是",
    "你是什么模型？",
    "你的上下文窗口多大？"
])

for result in results:
    print(result)

执行结果如下：

使用batch方法需要等到多个LLM请求结果都返回回来才会继续想下执行，如果想拿到一个结果就返回一个请求结果，就需要使用batch_as_completed方法。

import dotenv
from langchain.chat_models import init_chat_model

dotenv.load_dotenv()

# 1.创建model对象
model = init_chat_model(
    model="deepseek-v4-flash"
)

for result in model.batch_as_completed([
    "你好你是",
    "你是什么模型？",
    "你的上下文窗口多大？"
]):
    print(result)

执行结果：

如果需要限制并发调用个数，可以传递max_concurrency属性指定并发数。

results = model.batch([
    "你好你是",
    "你是什么模型？",
    "你的上下文窗口多大？"
], config={
    'max_concurrency': 2,  # 限制最多2个并发调用
})

四、工具调用

通过model去调用LLM所构建的应用，本质上还是聊天机器人，如果我们想让LLM去完成一些工作，给LLM这个超级大脑装上手脚，可以通过给模型绑定工具，用户->model和工具的交互方式如下图：

给model绑定特定的工具需要使用bind_tools方法，这样model在后续的调用就知道可以调用的工具有哪些，使用bind_tools时，传入需要绑定的工具列表，并且循环调用模型，如果模型返回的AIMessage中包含tool_calls参数，则根据工具名称找到对应的工具，调用指定工具并传递tool_call工具调用参数。并且在每一个tool_call参数中，都有对应的tool_call_id，作为这次工具调用的唯一标识。

工具调用结束后，工具调用结果就是一个ToolMessage对象，在ToolMessage对象中包含与tool_calls参数对应的tool_call_id，将工具消息保存到消息列表，下一轮调用LLM时，一起传递给LLM，LLM会再次通过推理，来判断是否需要调用工具，依旧会通过tool_calls参数返回工具调用信息，直到tool_calls信息为空，则说明LLM输出最终结果，整个循环结束。

import dotenv
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool

dotenv.load_dotenv()


# 1、定义工具
@tool
def get_today_ai_news() -> str:
    """获取今天最新的AI资讯"""
    return (
        "1. Agent成为AI核心方向\n"
        "2. GPT-5.5强化推理与编程\n"
        "3. Claude新版本提升代码能力\n"
        "4. Gemini升级多模态能力\n"
        "5. AI正进入操作系统层"
    )


@tool
def search_weather(city: str):
    """查询今日天气"""
    return f"今日{city}天气晴，东风4级，体感舒适"


# 2、构建工具名->工具函数的映射
tools_map = {
    "get_today_ai_news": get_today_ai_news,
    "search_weather": search_weather
}

# 3.创建model对象
model = init_chat_model(
    model="deepseek-v4-flash"
)

# 4.绑定工具
bind_tools_model = model.bind_tools([get_today_ai_news, search_weather])
messages = [
    HumanMessage("获取今日最新AI资讯")
]

# 5.执行循环
while True:
    ai_message = bind_tools_model.invoke(messages)
    messages.append(ai_message)
    if not ai_message.tool_calls:
        break

    for tool_call in ai_message.tool_calls:
        tool_message = tools_map.get(tool_call.get("name")).invoke(tool_call)
        # 6、添加工具消息到消息列表
        messages.append(tool_message)

# 7.输出结果
print(f"最终结果：{messages[-1].content}")

执行结果如下：

最终结果：以下是今天最新的 **AI 资讯速览** 🚀：

---

### 📰 今日AI要闻（5条）

1. **🤖 Agent 成为AI核心方向**
   AI智能体（Agent）正成为行业发展的核心焦点，各大厂商纷纷加码布局。

2. **🧠 GPT-5.5 强化推理与编程**
   OpenAI 的新版本 GPT-5.5 在逻辑推理和代码生成能力上进一步升级，性能显著提升。

3. **💻 Claude 新版本提升代码能力**
   Claude 发布了新版本，代码编写与理解能力得到增强，开发者体验更佳。

4. **🎨 Gemini 升级多模态能力**
   Google Gemini 在多模态（图像、文字、音频等）处理方面迎来重要升级，交互更丰富。

5. **⚙️ AI 正进入操作系统层**
   AI 正从应用层渗透到操作系统底层，未来 AI OS 概念或将加速落地。

---

如果想了解某一条资讯的更多细节，欢迎告诉我！😊

五、结构化输出

在一些场景下，需要model按照指定的格式返回数据，比如按指定格式输出目前最受欢迎的五首流行歌曲，返回给前端展示，示例如下：

{
  "songs": [
    {
      "song_name": "晴天",
      "singer": "周杰伦"
    },
    {
      "song_name": "稻香",
      "singer": "周杰伦"
    },
    {
      "song_name": "孤勇者",
      "singer": "陈奕迅"
    },
    {
      "song_name": "起风了",
      "singer": "买辣椒也用券"
    },
    {
      "song_name": "光年之外",
      "singer": "邓紫棋"
    }
  ]
}

在LangChain中进行结构化输出可以通过with_structured_output方法，传入结构化的数据模型，这里可以传入Pydantic模型、TypeDict类、JSON Schema，更推荐使用Pydantic模型，所以这里以Pydantic模型的用法为例来展示结构化输出的用法。

import dotenv
from langchain.chat_models import init_chat_model
from pydantic import BaseModel, Field

dotenv.load_dotenv()


class Song(BaseModel):
    """歌曲信息类"""
    song_name: str = Field(description="歌曲名称")
    singer: str = Field(description="歌手")


class SongList(BaseModel):
    """歌曲列表"""
    songs: list[Song] = Field(description="歌曲列表")


# 1.创建model对象
model = init_chat_model(
    "gpt-4o"
)

with_structured_model = model.with_structured_output(SongList)

# 2.调用大模型，返回AIMessage
print(with_structured_model.invoke("请输出5首中文流行歌曲"))

执行结果如下：

songs=[Song(song_name='匆匆那年', singer='王菲'), Song(song_name='七里香', singer='周杰伦'), Song(song_name='模特', singer='李榮浩'), Song(song_name='江南', singer='林俊杰'), Song(song_name='听海', singer='张惠妹')]